Thêm dòng vào biểu đồ python

Biểu đồ đường Matplotlib

Biểu đồ đường có thể được tạo bằng hàm Matplotlib plot[]. Mặc dù chúng tôi chỉ có thể vẽ một đường, nhưng chúng tôi không giới hạn ở đó. Chúng tôi có thể xác định rõ ràng lưới, tỷ lệ trục x và y và các tùy chọn nhãn, tiêu đề và hiển thị

khóa học liên quan

• Trực quan hóa dữ liệu với Matplotlib và Python

Ví dụ về biểu đồ đường
Ví dụ bên dưới sẽ tạo biểu đồ đường.

from pylab import *
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]

xlabel['time [s]']
ylabel['voltage [mV]']
title['Sine Wave']
grid[True]
show[]

đầu ra

Những dòng kẻ

from pylab import *

t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]

chỉ cần xác định dữ liệu được vẽ

from pylab import *

t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]
show[]

vẽ biểu đồ. Các tuyên bố khác là rất đơn giản. các câu lệnh xlabel[] đặt văn bản trục x, ylabel[] đặt văn bản trục y, title[] đặt tiêu đề biểu đồ và grid[True] chỉ cần bật lưới

Nếu bạn muốn lưu cốt truyện vào đĩa, hãy gọi câu lệnh

savefig["line_chart.png"]

Vẽ biểu đồ đường tùy chỉnh

Nếu bạn muốn vẽ đồ thị bằng một mảng [danh sách], bạn có thể thực thi tập lệnh này

from pylab import *

t = arange[0.0, 20.0, 1]
s = [1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20]
plot[t, s]

xlabel['Item [s]']
ylabel['Value']
title['Python Line Chart: Plotting numbers']
grid[True]
show[]

tuyên bố

t = arange[0.0, 20.0, 1]

xác định bắt đầu từ 0, vẽ 20 mục [độ dài của mảng của chúng tôi] với các bước là 1

đầu ra

Nhiều ô

Nếu bạn muốn vẽ nhiều đường trong một biểu đồ, chỉ cần gọi hàm plot[] nhiều lần. Một ví dụ

đầu ra

Trong trường hợp bạn muốn vẽ chúng trong các khung nhìn khác nhau trong cùng một cửa sổ, bạn có thể sử dụng cái này

import matplotlib.pyplot as plt
from pylab import *

t = arange[0.0, 20.0, 1]
s = [1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20]
s2 = [4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23]

plt.subplot[2, 1, 1]
plt.plot[t, s]
plt.ylabel['Value']
plt.title['First chart']
plt.grid[True]

plt.subplot[2, 1, 2]
plt.plot[t, s2]
plt.xlabel['Item [s]']
plt.ylabel['Value']
plt.title['Second chart']
plt.grid[True]
plt.show[]

đầu ra

plt. câu lệnh subplot[] là chìa khóa ở đây. Lệnh subplot[] chỉ định numrows, numcols và fignum

Tạo kiểu cho ô
Nếu bạn muốn các đường kẻ dày hoặc đặt màu, hãy sử dụng.

#!/usr/bin/env python

import numpy as np
import matplotlib.mlab as mlab
import matplotlib.pyplot as plt

# example data
mu = 100 # mean of distribution
sigma = 15 # standard deviation of distribution
x = mu + sigma * np.random.randn[10000]

num_bins = 20
# the histogram of the data
n, bins, patches = plt.hist[x, num_bins, normed=1, facecolor='blue', alpha=0.5]

# add a 'best fit' line
y = mlab.normpdf[bins, mu, sigma]
plt.plot[bins, y, 'r--']
plt.xlabel['Smarts']
plt.ylabel['Probability']
plt.title[r'Histogram of IQ: $\mu=100$, $\sigma=15$']

# Tweak spacing to prevent clipping of ylabel
plt.subplots_adjust[left=0.15]
plt.show[]

Tải xuống ví dụ

Biểu đồ thanh Matplotlib

Matplotlib có thể được sử dụng để tạo biểu đồ thanh. Bạn có thể thích thư viện Matplotlib

Matplotlib là một thư viện python để trực quan hóa dữ liệu. Bạn có thể sử dụng nó để tạo biểu đồ thanh trong python. Cài đặt matplot trên pypi, vì vậy chỉ cần sử dụng pip. cài đặt pip matplotlib

Khóa học dưới đây là tất cả về trực quan hóa dữ liệu

Khóa học liên quan.
Trực quan hóa dữ liệu với Matplotlib và Python

mã biểu đồ thanh

Biểu đồ thanh hiển thị các giá trị dưới dạng các thanh dọc, trong đó vị trí của mỗi thanh biểu thị giá trị mà nó biểu thị. matplotlib nhằm mục đích biến dữ liệu thành Biểu đồ thanh dễ dàng nhất có thể

Biểu đồ thanh trong matplotlib được tạo từ mã python. Mã bên dưới tạo biểu đồ thanh

#!/usr/bin/env python

import numpy as np
import matplotlib.mlab as mlab
import matplotlib.pyplot as plt

# example data
mu = 100 # mean of distribution
sigma = 15 # standard deviation of distribution
x = mu + sigma * np.random.randn[10000]

num_bins = 20
# the histogram of the data
n, bins, patches = plt.hist[x, num_bins, normed=1, facecolor='blue', alpha=0.5]

# add a 'best fit' line
y = mlab.normpdf[bins, mu, sigma]
plt.plot[bins, y, 'r--']
plt.xlabel['Smarts']
plt.ylabel['Probability']
plt.title[r'Histogram of IQ: $\mu=100$, $\sigma=15$']

# Tweak spacing to prevent clipping of ylabel
plt.subplots_adjust[left=0.15]
plt.show[]

đầu ra

Biểu đồ Matplotlib có thể nằm ngang, để tạo biểu đồ thanh ngang

#!/usr/bin/env python

import numpy as np
import matplotlib.mlab as mlab
import matplotlib.pyplot as plt

# example data
mu = 100 # mean of distribution
sigma = 15 # standard deviation of distribution
x = mu + sigma * np.random.randn[10000]

num_bins = 20
# the histogram of the data
n, bins, patches = plt.hist[x, num_bins, normed=1, facecolor='blue', alpha=0.5]

# add a 'best fit' line
y = mlab.normpdf[bins, mu, sigma]
plt.plot[bins, y, 'r--']
plt.xlabel['Smarts']
plt.ylabel['Probability']
plt.title[r'Histogram of IQ: $\mu=100$, $\sigma=15$']

# Tweak spacing to prevent clipping of ylabel
plt.subplots_adjust[left=0.15]
plt.show[]

đầu ra

So sánh biểu đồ thanh

Bạn có thể so sánh hai chuỗi dữ liệu bằng mã Matplotlib này

#!/usr/bin/env python

import numpy as np
import matplotlib.mlab as mlab
import matplotlib.pyplot as plt

# example data
mu = 100 # mean of distribution
sigma = 15 # standard deviation of distribution
x = mu + sigma * np.random.randn[10000]

num_bins = 20
# the histogram of the data
n, bins, patches = plt.hist[x, num_bins, normed=1, facecolor='blue', alpha=0.5]

# add a 'best fit' line
y = mlab.normpdf[bins, mu, sigma]
plt.plot[bins, y, 'r--']
plt.xlabel['Smarts']
plt.ylabel['Probability']
plt.title[r'Histogram of IQ: $\mu=100$, $\sigma=15$']

# Tweak spacing to prevent clipping of ylabel
plt.subplots_adjust[left=0.15]
plt.show[]

đầu ra

Biểu đồ thanh xếp chồng lên nhau

Ví dụ dưới đây tạo biểu đồ thanh xếp chồng lên nhau bằng Matplotlib. Các ô thanh xếp chồng lên nhau hiển thị các nhóm khác nhau cùng nhau

#!/usr/bin/env python

import numpy as np
import matplotlib.mlab as mlab
import matplotlib.pyplot as plt

# example data
mu = 100 # mean of distribution
sigma = 15 # standard deviation of distribution
x = mu + sigma * np.random.randn[10000]

num_bins = 20
# the histogram of the data
n, bins, patches = plt.hist[x, num_bins, normed=1, facecolor='blue', alpha=0.5]

# add a 'best fit' line
y = mlab.normpdf[bins, mu, sigma]
plt.plot[bins, y, 'r--']
plt.xlabel['Smarts']
plt.ylabel['Probability']
plt.title[r'Histogram of IQ: $\mu=100$, $\sigma=15$']

# Tweak spacing to prevent clipping of ylabel
plt.subplots_adjust[left=0.15]
plt.show[]

đầu ra

Tải xuống tất cả các ví dụ Matplotlib

trăn biểu đồ hình tròn

Matplotlib hỗ trợ biểu đồ hình tròn bằng hàm pie[]. Bạn có thể thích thư viện Matplotlib

Mô-đun matplotlib có thể được sử dụng để tạo tất cả các loại sơ đồ và biểu đồ bằng Python. Biểu đồ hình tròn là một trong những biểu đồ nó có thể tạo, nhưng nó là một trong nhiều biểu đồ

khóa học liên quan. Trực quan hóa dữ liệu với Matplotlib và Python

Biểu đồ hình tròn Matplotlib

Đầu tiên nhập plt từ mô-đun matplotlib với dòng nhập matplotlib. pyplot dưới dạng plt
Sau đó, bạn có thể sử dụng phương thức plt. pie[] để tạo một cốt truyện.

Đoạn mã dưới đây tạo biểu đồ hình tròn

#!/usr/bin/env python

import numpy as np
import matplotlib.mlab as mlab
import matplotlib.pyplot as plt

# example data
mu = 100 # mean of distribution
sigma = 15 # standard deviation of distribution
x = mu + sigma * np.random.randn[10000]

num_bins = 20
# the histogram of the data
n, bins, patches = plt.hist[x, num_bins, normed=1, facecolor='blue', alpha=0.5]

# add a 'best fit' line
y = mlab.normpdf[bins, mu, sigma]
plt.plot[bins, y, 'r--']
plt.xlabel['Smarts']
plt.ylabel['Probability']
plt.title[r'Histogram of IQ: $\mu=100$, $\sigma=15$']

# Tweak spacing to prevent clipping of ylabel
plt.subplots_adjust[left=0.15]
plt.show[]

Đoạn mã trên có đầu ra sau

Bạn có thể xác định kích thước của nó, bộ phận nào sẽ phát nổ [khoảng cách từ trung tâm], nhãn nào nên có và màu nào nên có

#!/usr/bin/env python

import numpy as np
import matplotlib.mlab as mlab
import matplotlib.pyplot as plt

# example data
mu = 100 # mean of distribution
sigma = 15 # standard deviation of distribution
x = mu + sigma * np.random.randn[10000]

num_bins = 20
# the histogram of the data
n, bins, patches = plt.hist[x, num_bins, normed=1, facecolor='blue', alpha=0.5]

# add a 'best fit' line
y = mlab.normpdf[bins, mu, sigma]
plt.plot[bins, y, 'r--']
plt.xlabel['Smarts']
plt.ylabel['Probability']
plt.title[r'Histogram of IQ: $\mu=100$, $\sigma=15$']

# Tweak spacing to prevent clipping of ylabel
plt.subplots_adjust[left=0.15]
plt.show[]

Chú thích biểu đồ hình tròn Matplotlib

Để thêm chú thích, hãy sử dụng plt. chức năng huyền thoại []. Điều này thêm một huyền thoại trên đầu cốt truyện

#!/usr/bin/env python

import numpy as np
import matplotlib.mlab as mlab
import matplotlib.pyplot as plt

# example data
mu = 100 # mean of distribution
sigma = 15 # standard deviation of distribution
x = mu + sigma * np.random.randn[10000]

num_bins = 20
# the histogram of the data
n, bins, patches = plt.hist[x, num_bins, normed=1, facecolor='blue', alpha=0.5]

# add a 'best fit' line
y = mlab.normpdf[bins, mu, sigma]
plt.plot[bins, y, 'r--']
plt.xlabel['Smarts']
plt.ylabel['Probability']
plt.title[r'Histogram of IQ: $\mu=100$, $\sigma=15$']

# Tweak spacing to prevent clipping of ylabel
plt.subplots_adjust[left=0.15]
plt.show[]

Nó xuất ra âm mưu này

Trong khi tạo cốt truyện, đừng quên gọi phương thức. buổi bieu diễn[]

#!/usr/bin/env python

import numpy as np
import matplotlib.mlab as mlab
import matplotlib.pyplot as plt

# example data
mu = 100 # mean of distribution
sigma = 15 # standard deviation of distribution
x = mu + sigma * np.random.randn[10000]

num_bins = 20
# the histogram of the data
n, bins, patches = plt.hist[x, num_bins, normed=1, facecolor='blue', alpha=0.5]

# add a 'best fit' line
y = mlab.normpdf[bins, mu, sigma]
plt.plot[bins, y, 'r--']
plt.xlabel['Smarts']
plt.ylabel['Probability']
plt.title[r'Histogram of IQ: $\mu=100$, $\sigma=15$']

# Tweak spacing to prevent clipping of ylabel
plt.subplots_adjust[left=0.15]
plt.show[]

Tải xuống tất cả các ví dụ Matplotlib

Truyền thuyết Matplotlib

Matplotlib có hỗ trợ riêng cho các huyền thoại. Huyền thoại có thể được đặt ở các vị trí khác nhau. Chú thích có thể được đặt bên trong hoặc bên ngoài biểu đồ và vị trí có thể được di chuyển

Phương thức legend[] thêm chú thích vào cốt truyện. Trong bài viết này, chúng tôi sẽ cho bạn thấy một số ví dụ về huyền thoại bằng matplotlib

khóa học liên quan

• Trực quan hóa dữ liệu với Matplotlib và Python

Chú giải Matplotlib bên trong
Để đặt chú giải bên trong, chỉ cần gọi legend[].

#!/usr/bin/env python

import numpy as np
import matplotlib.mlab as mlab
import matplotlib.pyplot as plt

# example data
mu = 100 # mean of distribution
sigma = 15 # standard deviation of distribution
x = mu + sigma * np.random.randn[10000]

num_bins = 20
# the histogram of the data
n, bins, patches = plt.hist[x, num_bins, normed=1, facecolor='blue', alpha=0.5]

# add a 'best fit' line
y = mlab.normpdf[bins, mu, sigma]
plt.plot[bins, y, 'r--']
plt.xlabel['Smarts']
plt.ylabel['Probability']
plt.title[r'Histogram of IQ: $\mu=100$, $\sigma=15$']

# Tweak spacing to prevent clipping of ylabel
plt.subplots_adjust[left=0.15]
plt.show[]

Chú giải Matplotlib ở dưới cùng
Để đặt chú giải ở dưới cùng, hãy thay đổi lệnh gọi legend[] thành.

from pylab import *
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]

xlabel['time [s]']
ylabel['voltage [mV]']
title['Sine Wave']
grid[True]
show[]

Hãy tính đến việc chúng tôi đặt số cột hai ncol=2 và đặt bóng

Mã hoàn chỉnh sẽ là

from pylab import *
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]

xlabel['time [s]']
ylabel['voltage [mV]']
title['Sine Wave']
grid[True]
show[]

Chú thích Matplotlib ở trên cùng
Để đặt chú thích ở trên cùng, hãy thay đổi các giá trị bbox_to_anchor.

from pylab import *
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]

xlabel['time [s]']
ylabel['voltage [mV]']
title['Sine Wave']
grid[True]
show[]

Mã số

from pylab import *
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]

xlabel['time [s]']
ylabel['voltage [mV]']
title['Sine Wave']
grid[True]
show[]

Chú giải bên ngoài bên phải
Chúng ta có thể đặt chú giải bên ngoài bằng cách thay đổi kích thước hộp và đặt chú giải tương ứng với hộp đó.

from pylab import *
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]

xlabel['time [s]']
ylabel['voltage [mV]']
title['Sine Wave']
grid[True]
show[]

Mã số

from pylab import *
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]

xlabel['time [s]']
ylabel['voltage [mV]']
title['Sine Wave']
grid[True]
show[]

 
Tải ví dụ xuống

matplotlib lưu hình

Nếu bạn muốn lưu các số liệu matplotlib dưới dạng các tệp riêng lẻ, bạn có thể thực hiện việc này với chức năng savefig. Nếu bạn muốn lưu số liệu trong một tệp, hãy sử dụng chức năng saveas để thay thế

Matplotlib là một thư viện đồ họa python tạo ra các số liệu chất lượng xuất bản ở nhiều định dạng bản cứng và môi trường tương tác trên các nền tảng

Khóa học liên quan
Khóa học dưới đây là tất cả về trực quan hóa dữ liệu.
Trực quan hóa dữ liệu với Matplotlib và Python

Lưu hình

Đối với những người chưa biết, matplotlib savefig tạo một tệp của hình hiện tại dưới dạng PNG [có độ trong suốt] và lưu nó vào hệ thống tệp của bạn

Vì vậy, Matplotlib có thể lưu các ô trực tiếp vào một tệp bằng cách sử dụng savefig[]. Trong bài viết này, chúng tôi sẽ không đề cập đến việc cài đặt matplotlib, nếu bạn muốn cài đặt nó, hãy xem phần cài đặt faq

Savefig rất hữu ích khi bạn cần lưu một hình để xem bên ngoài matplotlib, chẳng hạn như trong một chương trình khác hoặc khi bạn muốn sử dụng một chương trình đồ họa vector [Inkscape, Illustrator, v.v. ] để sửa đổi nó

Nó cũng hữu ích nếu bạn muốn lưu một bản sao của một hình trong cùng thư mục với tập lệnh matplotlib của bạn

Phương pháp này có thể được sử dụng như thế này

from pylab import *
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]

xlabel['time [s]']
ylabel['voltage [mV]']
title['Sine Wave']
grid[True]
show[]

Nó có thể tạo một hình ảnh từ hình. Nó quyết định định dạng hình ảnh dựa trên tiện ích mở rộng. Ví dụ để lưu ảnh jpg có tên là figure1. jpg. Hình ảnh phải có phần mở rộng là jpg, png hoặc pdf

Phương pháp savefig

Phương thức savefig[] là một phần của matplotlib. mô-đun pyplot. Điều này lưu nội dung của hình của bạn vào một tệp hình ảnh

Nó phải có tệp đầu ra làm đối số đầu tiên. Bạn có thể thêm đường dẫn đầy đủ, đường dẫn tương đối hoặc không có đường dẫn. Nếu bạn không xác định đường dẫn, nó sẽ lưu hình ảnh trong thư mục làm việc hiện tại

Chương trình cơ bản nhất bạn có thể làm chỉ là 5 dòng mã

from pylab import *
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]

xlabel['time [s]']
ylabel['voltage [mV]']
title['Sine Wave']
grid[True]
show[]

Điều này cũng hoạt động cho các lô lớn hơn

from pylab import *
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]

xlabel['time [s]']
ylabel['voltage [mV]']
title['Sine Wave']
grid[True]
show[]

Để thay đổi định dạng, chỉ cần thay đổi phần mở rộng như vậy

from pylab import *
t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]

xlabel['time [s]']
ylabel['voltage [mV]']
title['Sine Wave']
grid[True]
show[]

Bạn có thể mở tệp của mình bằng bất kỳ chương trình hình ảnh bên ngoài nào, vì đó chỉ là một hình ảnh thông thường. Nếu bạn sử dụng Linux, bạn có thể sử dụng lệnh bên dưới

from pylab import *

t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]

hoặc mở nó trong trình xem hình ảnh hoặc pdf nếu bạn đã lưu nó dưới dạng pdf

Tùy chọn savefig bổ sung

Một số tùy chọn lưu cấu hình mới đã được thêm vào matplotlib. Khả năng tương thích ngược được duy trì.
Các tùy chọn là.

from pylab import *

t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]

Định dạng và phần mở rộng tên tệp đầu ra được kiểm soát bởi các tham số định dạng và phần mở rộng;

Các thông số hữu ích là

• đặt tên tệp cho tệp đầu ra để lưu, nếu không có đường dẫn, nó sẽ lưu nó vào cùng thư mục với chương trình của bạn

• trong suốt nếu bạn đặt nền trong suốt thành True

• bbox_inches thay đổi kích thước của khoảng trắng xung quanh hình ảnh, trong hầu hết các trường hợp, chặt chẽ là lý tưởng

Lưu dưới dạng tệp PDF

Để lưu biểu đồ matplotlib của bạn dưới dạng pdf, chỉ cần thay đổi phần mở rộng tệp thành. pdf

from pylab import *

t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]

Tệp sẽ được lưu trong thư mục làm việc của bạn

Lưu dưới dạng tệp SVG

SVG là một định dạng đồ họa dựa trên vector khác, cho phép bạn phóng to mà không làm giảm chất lượng. Không phải mọi chương trình đều có thể mở tệp hình ảnh svg

Để lưu dưới dạng tệp SVG, chỉ cần thay đổi phần mở rộng thành SVG

from pylab import *

t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]

Lưu dưới dạng tệp JPEG

Nếu bạn lưu dưới dạng tệp jpeg, bạn có thể bao gồm thông số chất lượng. Điều này cho phép bạn tiết kiệm một số dung lượng đĩa, nhưng phải trả giá bằng chất lượng hình ảnh

from pylab import *

t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]

Nói chung, tôi khuyên bạn nên sử dụng các định dạng đồ họa vector như svg hoặc pdf, vì chất lượng cao hơn. Nếu bạn không quan tâm đến chất lượng và chỉ muốn gửi hình ảnh qua email hoặc hiển thị hình ảnh trên trang web, bạn có thể sử dụng png hoặc jpeg

Tải ví dụ xuống
 

cốt truyện cập nhật matplotlib

Cập nhật biểu đồ matplotlib rất đơn giản. Tạo dữ liệu, cốt truyện và cập nhật trong một vòng lặp.
Bật chế độ tương tác là cần thiết. plt. ion[]. Điều này kiểm soát xem hình có được vẽ lại sau mỗi lệnh draw[] hay không. Nếu là Sai [mặc định] thì hình không tự cập nhật.

• Trực quan hóa dữ liệu với Matplotlib và Python

Cập nhật ví dụ cốt truyện

Sao chép mã bên dưới để kiểm tra một cốt truyện tương tác

from pylab import *

t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]

Giải thích
Chúng tôi tạo dữ liệu để vẽ biểu đồ bằng cách sử dụng.

from pylab import *

t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]

Bật chế độ tương tác bằng cách sử dụng

from pylab import *

t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]

Định cấu hình cốt truyện ['b-' biểu thị một đường màu xanh lam]

from pylab import *

t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]

Và cuối cùng cập nhật trong một vòng lặp

from pylab import *

t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]

Tải ví dụ xuống
 

trục thời gian matplotlib

Matplotlib hỗ trợ các ô có thời gian trên trục ngang [x]. Các giá trị dữ liệu sẽ được đặt trên trục tung [y]. Trong bài viết này, chúng tôi sẽ chứng minh rằng sử dụng một vài ví dụ

Bắt buộc phải sử dụng mô-đun datetime của Python, một mô-đun chuẩn

khóa học liên quan

• Trực quan hóa dữ liệu với Matplotlib và Python

Viết thời gian
Bạn có thể vẽ thời gian bằng dấu thời gian.

from pylab import *

t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]
show[]

Nếu bạn muốn thay đổi khoảng thời gian, hãy sử dụng một trong các dòng bên dưới

from pylab import *

t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]
show[]

Biểu đồ thời gian từ giờ/phút cụ thể

Để bắt đầu từ một ngày cụ thể, hãy tạo dấu thời gian mới bằng datetime. ngày giờ [năm, tháng, ngày, giờ, phút].
Ví dụ đầy đủ.

from pylab import *

t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]
show[]

Tải xuống ví dụ

bản đồ nhiệt matplotlib

Một bản đồ nhiệt có thể được tạo bằng Matplotlib và numpy

Các khóa học liên quan
Nếu bạn muốn tìm hiểu thêm về trực quan hóa dữ liệu, khóa học này rất phù hợp.

• Trực quan hóa dữ liệu với Matplotlib và Python

Ví dụ về bản đồ nhiệt

Ta tạo một số mảng dữ liệu ngẫu nhiên [x,y] để sử dụng trong chương trình. Chúng tôi đặt bin thành 64, bản đồ nhiệt kết quả sẽ là 64x64. Nếu bạn muốn kích thước khác, hãy thay đổi số lượng ngăn

from pylab import *

t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]
show[]

Kết quả

Các điểm dữ liệu trong ví dụ này là hoàn toàn ngẫu nhiên và được tạo bằng cách sử dụng np. ngẫu nhiên. randn[]

biểu đồ phân tán python

Matplotlib có chức năng tích hợp để tạo các biểu đồ phân tán được gọi là phân tán []. Biểu đồ phân tán là một loại biểu đồ hiển thị dữ liệu dưới dạng tập hợp các điểm. Vị trí của một điểm phụ thuộc vào giá trị hai chiều của nó, trong đó mỗi giá trị là một vị trí trên chiều ngang hoặc chiều dọc

khóa học liên quan

• Trực quan hóa dữ liệu với Matplotlib và Python

Ví dụ về biểu đồ phân tán
Ví dụ.

from pylab import *

t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]
show[]

Biểu đồ phân tán theo nhóm
Dữ liệu có thể được phân loại thành nhiều nhóm. Đoạn mã dưới đây chứng minh rằng.

from pylab import *

t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]
show[]

khóa học liên quan

• Trực quan hóa dữ liệu với Matplotlib và Python

trăn phân tán 3d

Matplotlib có thể tạo các ô 3d. Tạo biểu đồ phân tán 3D rất giống với tạo biểu đồ phân tán 2d, chỉ có một số khác biệt nhỏ. Trong một số trường hợp, biểu đồ phân tán 3d có thể trực quan hóa dữ liệu tốt hơn biểu đồ 2d. Để tạo các ô 3d, chúng ta cần nhập axis3d

khóa học liên quan

• Trực quan hóa dữ liệu với Matplotlib và Python

Giới thiệu
Cần phải nhập axis3d.

from pylab import *

t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]
show[]

Cung cấp cho dữ liệu một trục z và đặt hình thành phép chiếu 3d

from pylab import *

t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]
show[]

biểu đồ phân tán 3d

from pylab import *

t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]
show[]

Cốt truyện được tạo bằng một số bước

• tạo véc tơ [g1,g2,g3]


• tạo danh sách [nhóm]


• âm mưu

subplot python

Có thể gọi hàm Matplotlib subplot[] để vẽ hai hoặc nhiều ô trong một hình. Matplotlib hỗ trợ tất cả các loại ô con bao gồm 2x1 dọc, 2x1 ngang hoặc lưới 2x2

Các khóa học liên quan

• Trực quan hóa dữ liệu với Matplotlib và Python

from pylab import *

t = arange[0.0, 2.0, 0.01]
s = sin[2.5*pi*t]
plot[t, s]
show[]

Ô phụ dọc
Bằng cách thay đổi các tham số ô phụ, chúng ta có thể tạo một ô dọc

savefig["line_chart.png"]

Lưới ô ô con
Để tạo lưới các ô 2x2, bạn có thể sử dụng mã này.

savefig["line_chart.png"]

ma trận cốt truyện python

Một sơ đồ tương quan có thể được tạo bằng Matplotlib. Matplotlib là thư viện vẽ đồ thị được sử dụng nhiều nhất cho Python. Nó có thể được bao gồm trong tất cả các bộ công cụ đồ họa có sẵn cho Python